[发明专利]突变噪声快速估计方法

说明书

本发明公开的一种突变噪声快速估计方法，属于无线通信领域，通过下述技术方案实现：首先对输入的带噪语音信号进行分帧、加汉宁窗，然后进行N点快速傅里叶变换FFT；求解带噪语音功率谱后对带噪语音功率谱按照从小到大、从左到右进行排序，筛选出中间部分的频点计算平均值，得到第l帧整个频带的平均噪声功率谱；再噪声突变检测及参数修正：比较前后帧之间平均噪声功率谱的估计值的变化量，若变化量超过设定阈值，判定为发生了噪声突变，则对当前帧的平滑参数和状态变量进行校正；否则判定为未发生噪声突变，直接按照经典MCRA算法进行条件语音存在概率计算、噪声谱估计更新，递归平滑计算更新噪声功率估计值，输出噪声谱估计值。

技术领域

本发明属于无线通信领域，主要涉及一种语音降噪中的噪声估计算法，特别是一种能对突变噪声进行快速估计的方法。

背景技术

语音信号因其具有直接、高效、方便的优点,作为传递信息的方式被应用于很多领域。然而,在使用语音进行信息表达的同时,实际环境中的噪声会无法避免地对其产生影响，噪声不仅影响语音接收者收听语音时的舒适度,还会影响各种语音处理应用的性能。在语音通信中，背景噪声是影响语音通信质量的主要因素之一，语音信号在传输过程中会受到来自外界环境噪声、通讯设备内部噪声的干扰，容易受到噪声的污染，会致使语音质量下降，语音系统性能恶化。语音降噪的目的是尽可能从带噪语音中提取纯净语音信号，降低背景噪声。语音的清楚程度取决于伴随信号的噪声级，系统可以通过在特定时间测量噪声级的方式来估计噪声。目前，噪声估计已成为语音增强技术中很关键的环节。在很多单通道语音增强算法中，尤其在噪声源不可知的情况下，实时噪声功率谱估计是很重要的。噪声估计的准确性会直接影响降噪算法的性能和最终效果，若噪声估计过高，则微弱的语音将被去掉，增强语音会产生失真；若估计过低，则会有较多的背景残留噪声，进而降低语音可懂度。噪声估计是语音降噪的基础，只有实现了快速的、准确的噪声估计，才能较好地抑制背景噪声，减小语音失真，提高通信质量。传统的噪声估计方法实现纯粹基于语音活动的检测，制约了噪声在语音存在时的更新，而且在弱语音信号的低输入信噪比时，其可靠性性能恶化较明显。

在短波、超短波电台的调幅、调频等语音通信模式中，电台解调输出的音频信号中的噪声功率会发生突变。由于信道增益的变化，在通信开始时，电台解调输出的噪声会突然变小；在通信结束时，电台解调输出的噪声会突然变大。对这种噪声突变的音频信号进行降噪处理时，噪声的快速估计尤为重要。

噪声谱估计是语音增强系统中一个重要组成部分。传统的噪声估计方法是使用语音活动性监测(VAD:VoiceActiveDetection)判别语音是否出现，并分离出无声段，此时无声段主要表现为噪声特性，然后在无声区通过某种统计方法，获得背景噪声特性的近似估计,对噪声谱进行更新。尽管该方法在噪声为平稳的情况下是可行的，但是在实际的噪声环境中噪声谱的特性变化很大，且在低信噪比下，VAD的误检率会增大，在不能正确判断无声段的情况下很难保证估计出来的噪声的准确性。基于VAD的噪声估计需要先进行VAD检测，在无声段进行噪声更新，这种噪声估计算法虽在平稳噪声环境下效果不错，但是在噪声谱特性不断变化的场景下，效果就不甚理想，且该方法依赖VAD判断的准确性，在低信噪比条件下，VAD准确性下降，影响噪声估计的准确性。为了实现精确的噪声估计，就要对噪声谱进行实时的估计。Martin提出了一种基于最小值统计的方法来估计噪声。基于最小值统计的噪声估计可分为基于最小统计量(MinimumStatistics，MS)的噪声估计方法、最小值控制的递归平均法(MinimaControlledRecursiveAveraging，MCRA)估计噪声谱。MS方法通过跟踪特定窗内语音功率谱的最小值来估计噪声，乘以一个系数来补偿偏差。该方法所得噪声估计的方差是传统方法的2倍，同时它可能偶尔会削弱低能垦音素，尤其当最小观察窗很小时，只有以很高的计算复杂度为代价来克服其局限性。MCRA方法是根据带噪声语音子带平滑功率谱与其最小值之间的比值，计算带噪语音子带中语音存在概率，调节时频平滑参数，加权带噪语音功率谱来估计噪声谱。后两种噪声谱估计方法保证了噪声谱估计的准确性，但在追踪带噪语音子带平滑功率谱最小值时都采用了固定时间的窗，因此在噪声突变的情况下，估计的噪声谱存在延时。